60、基于机器学习的缓冲区溢出漏洞检测关联规则

基于机器学习的缓冲区溢出漏洞检测关联规则

1. 引言

随着网络攻击的出现，组织开始采用有效的网络安全措施。网络中的信息流常常遭受各种网络安全攻击，这些攻击通常是通过利用系统漏洞来实施的，比如缓冲区溢出（BoF）。2021 年，国家漏洞数据库显示，有超过 19,537 个漏洞被网络攻击者利用，导致了宝贵或敏感数据的被盗以及业务的中断。这凸显了在组织中充分解决系统漏洞以确保信息安全的必要性。

BoF 漏洞是指攻击者通过提交超过系统缓冲区分配内存块容量的数据，从而执行恶意代码。大多数现有的恶意蠕虫都利用这个漏洞，通过破坏虚拟地址空间来传播自身。在很多情况下，如果程序员没有进行适当的输入验证（如大小检查），这种默认的漏洞就很容易被利用，导致缓冲区溢出。因此，及时检测 BoF 漏洞对于保护组织信息至关重要。

随着软件开发和代码复杂度的指数级增长，检测利用 BoF 漏洞的攻击需要对网络应用和系统进行更深入的分析。目前，检测 BoF 漏洞的方法主要有静态、动态和混合三种。静态方法基于代码模式和相似性进行分析；动态方法使用模糊系统发送意外数据，通过符号值检查异常来识别目标系统中的漏洞；混合方法则结合了静态和动态方法。这些方法在不同情况下都取得了一定的成功。

然而，检测 BoF 漏洞攻击是复杂且具有挑战性的，目前还没有一个预先定义好的模型能够严格地定义一系列网络攻击的顺序。大多数网络安全应用（如入侵检测或预防系统）中的规则匹配逻辑很少考虑到 BoF 攻击发生的上下文，如传入数据包的有效负载。近年来的研究表明，基于机器学习的方法可以显著提高网络安全攻击的检测性能。机器学习通过学习异常流量的特定漏洞特征来检测漏洞，将其与正常流量区分开来。

2. 文献综述 </